MCPlatoMCPlato
返回博客
AI 智能体
智能体技术栈
智能体编排框架
运行时
AI 工作空间
MCPlato

2026 H1 智能体技术栈：模型、编排框架、运行时与 AI 工作空间

一份简明的 2026 H1 AI 智能体、编码智能体、编排框架、运行时、浏览器与沙箱基础设施、可观测性、治理和 AI 工作空间版图，并将 MCPlato 定位在工作空间层。

发布于 2026-05-29

2026 H1 的智能体竞赛，已经不再像一个简单的模型排行榜。

更强的模型仍然重要。Claude 4、Claude Sonnet 4.5、Claude Opus 4.8、Gemini 2.5 Pro、DeepSeek R1/V3.1、Qwen3-Coder 和 Mistral Magistral 都在推理、编码、上下文和工具使用能力上推动了基础层前进。12345678 但竞争问题已经变成：

谁能把这些模型投入可靠的工作？

这意味着编排框架、运行时、浏览器、沙箱、评测、可观测性、治理、权限，以及面向用户的工作空间。模型是引擎。智能体产品是车辆。编排框架和工作空间决定这辆车能否在真实公司内部运行，同时不丢失状态、权责或信任。

分层的 2026 H1 智能体技术栈

理解市场的一个有用方式，是把它看作技术栈，而不是一个 logo 目录。

从基础模型到 AI 工作空间的分层 2026 H1 智能体技术栈从基础模型到 AI 工作空间的分层 2026 H1 智能体技术栈

图 1：2026 H1 智能体技术栈正在从模型能力向执行、可观测性、治理和工作空间连续性上移。

层级贡献内容代表性示例
基础模型推理、编码、长上下文、计算机/工具使用、规划Claude 4 / Sonnet 4.5 / Opus 4.8、Gemini 2.5 Pro、DeepSeek R1/V3.1、Qwen3-Coder、Mistral Magistral
智能体产品面向编码、研究、应用构建、运营和企业流程的打包工作流Claude Code、OpenAI Codex、GitHub Copilot coding agent、Cursor、Devin、Jules、Replit Agent、Lovable、Bolt.new、Manus、Perplexity Labs
编排框架 / 运行时状态、重试、人在回路、编排、记忆、结构化工具调用LangGraph/LangChain、LlamaIndex、AutoGen、CrewAI、OpenAI Agents SDK、Vercel AI SDK、Mastra、PydanticAI、Agno、Letta
浏览器与沙箱基础设施安全执行环境、浏览器自动化、代码沙箱、任务隔离Browserbase、Stagehand、Playwright MCP、E2B、Daytona、Temporal、Arcade、Composio
可观测性与评测Trace、成本、延迟、回归测试、提示词/工具调试、生产复盘LangSmith、Langfuse、Helicone、模型与智能体 benchmark
企业治理可见性、访问控制、策略、智能体清单、可审计性、合规工作流Microsoft Copilot Studio、Salesforce Agentforce、ServiceNow AI Control Tower、基于 MCP 的集成模式
AI 工作空间面向用户的场所，用来持久化多步骤工作、文件、会话、产物和决策MCPlato、Dust、Hebbia、工作空间型智能体平台

重要之处不在于每个产品都必须覆盖每一层，而在于严肃的智能体工作现在需要系统中的某个位置具备所有这些能力。

产品集群，而不是原始目录

1. 编码智能体成为第一个大众化智能体品类

编码智能体最清楚地证明，智能体可以超越聊天。Claude Code 随 Claude 4 一起正式可用，并被文档定义为面向终端和开发工作流的 agentic coding tool。19 OpenAI Codex、GitHub Copilot coding agent、Cursor、Devin、Google Jules 和 Replit Agent 都指向同一个方向：开发者想要能够检查仓库、编辑文件、运行命令、打开 pull request，并在本地与云端上下文之间持续工作的智能体。101112131415

这个集群领先，是因为软件工作已经拥有有用的护栏：文件、diff、测试、日志、分支、CI 和 review。它给市场其他部分的启示并不是“所有事情都应该变成编码”，而是智能体需要可审查的产物和验证闭环。

2. 应用构建器和通用智能体把 prompt 变成工作流

Lovable、Bolt.new、Replit Agent 和 Manus 是以生成应用、网站或可执行工作为中心的产品示例；Perplexity 将 Labs 描述为一种创作功能，可用于报告、仪表盘和轻量应用等项目。16171819 OpenAI 的开发者文档描述了 computer-use 和智能体构建基础能力，包括可视化浏览器工具界面，因此它的智能体方向更适合被视为同一工作流转变的一部分，而不是简单的聊天功能。2021

这些产品压缩了意图与产物之间的距离。它们面临的挑战，也正是更广泛智能体市场的挑战：一旦任务变成长时间、多步骤或对外可见，产品就需要状态、权限、回滚，以及从生成草稿到生产资产的清晰交接。

3. 企业智能体正在从采用转向控制

Salesforce Agentforce、ServiceNow AI Control Tower 和 Microsoft Copilot Studio 都反映了这一企业现实。22232425 智能体采用现在取决于可见性、策略、权限和运营归属，而不只是 prompt 质量。

Zapier Agents、Lindy、Gumloop、Dust 和 Hebbia 更接近业务团队的工作流自动化与知识工作。2627282930 它们之所以重要，是因为智能体采用并不只是工程问题。销售、财务、法务、运营、招聘、研究和支持团队同样需要能使用工具、但不会悄悄绕过策略的智能体系统。

4. 框架和运行时成为智能体中间层

LangGraph/LangChain、LangSmith、LlamaIndex、AutoGen、CrewAI、OpenAI Agents SDK、Vercel AI SDK、Mastra、PydanticAI、Agno 和 Letta 代表了打包产品之下的构建层。313233343536373839404142

在这一层，持久状态、记忆、工具路由、人工审批、结构化输出和多智能体编排会变成可复用的基础能力。也正是在这一层，许多团队会发现“智能体”并不是单一抽象。检索助手、编码 worker、浏览器操作员、财务分析师和客服智能体，需要不同的运行时契约。

5. 基础设施和可观测性成为生产要求

Browserbase、Stagehand、Playwright MCP、E2B、Daytona、Temporal、Arcade 和 Composio 不是外围工具。它们是智能体控制平面的一部分。4344454647484950

智能体需要浏览器，因为大部分工作型 web 仍然缺乏干净的 API。它们需要沙箱，因为代码和工具必须在隔离环境中运行。它们需要持久工作流引擎，因为长任务会失败并需要恢复。它们需要集成网关，因为凭证、权限和动作范围不应该在 prompt 里临时拼凑。

LangSmith、Langfuse 和 Helicone 从可观测性侧展示了同样的成熟化。325152 如果智能体正在接触客户数据、生产系统或昂贵的模型调用，团队就需要 trace、评测、成本可见性、延迟可见性和回归检查。

值得关注的五个趋势

1. 仅靠模型的差异化正在让位于运行时差异化

最好的模型正在向强编码、工具使用、长上下文和规划能力收敛。Anthropic 报告了 Claude 4 的编码结果和 Claude Code 可用性；Gemini 2.5 Pro 强调编码和长上下文能力；DeepSeek V3.1 将自身定位为走向智能体时代的一步；Qwen3-Coder 则强调大规模代码智能体训练环境。1467

这让运行时变得更重要，而不是更不重要。当多个基础模型都已经具备足够好的推理能力时，团队会选择能保留状态、安全调用工具、评估结果并让人类保持控制的技术栈。

2. 可观测性正在成为生产门槛

“模型有没有回答？”这个问题对智能体来说太弱了。生产团队需要知道：

  • 调用了哪些工具？
  • 哪些状态发生了变化？
  • 哪些证据支持任务完成？
  • 本次运行花费了多少？
  • 延迟出现在哪里？
  • 哪个 prompt、模型、工具或环境变更导致了回归？

这就是为什么 LangSmith、Langfuse、Helicone、benchmark 套件和企业指挥中心正在成为采购讨论的一部分。公司无法治理自己看不见的东西。

3. 浏览器和代码沙箱正在成为一等基础设施

计算机使用型智能体和编码智能体需要安全的操作表面。Browserbase 和 Stagehand 专注于面向 AI 智能体的浏览器自动化；Playwright MCP 通过 MCP 暴露浏览器控制；E2B 和 Daytona 专注于隔离执行环境；Temporal 则将持久执行定位于 agentic AI 工作流。434445464753

这是 2026 H1 最重要的变化之一：“智能体环境”正在成为一个产品品类。环境决定自治能力会变得有用，还是变得危险。

4. 治理和协议正在成为默认预期

MCP 很重要，因为它为市场提供了把模型连接到工具和上下文的共同语言。5455 但协议并不会消除治理需求。它们会让治理更紧迫：一旦工具更容易连接，团队就需要更清晰的策略来规定谁可以连接工具、允许哪些动作、凭证如何限定范围，以及活动如何审计。

Salesforce Agentforce、ServiceNow AI Control Tower 和 Microsoft Copilot Studio 都反映了这一企业现实。智能体采用现在取决于可见性、策略、权限和运营归属，而不只是 prompt 质量。

5. 异步多会话工作空间是缺失的用户层

单一聊天线程并不是长时间工作的好容器。真实的智能体工作经常会分叉：一个会话做研究，另一个写草稿，另一个测试，另一个 review，还有一个等待定时跟进。用户需要一个地方，让这些工作流、文件、决策和产物保持可检查。

这正是 MCPlato 自然适合的位置。MCPlato 最适合被理解为 AI 工作空间层：一个面向本地材料、多会话、后台或定时工作、产物，以及带权限且可观测执行的环境。56 它不应该被视为编码智能体、企业控制塔或浏览器基础设施的万能替代品。它的角色不同：帮助用户组织和监督横跨文档、研究、浏览器上下文、办公输出和异步跟进的 AI 工作。

换句话说，MCPlato 属于智能体技术栈的工作空间层：靠近用户，靠近材料，并位于让执行成为可能的更底层运行时和基础设施组件之上。

一个实用决策框架

按自治时长和治理需求选择智能体产品的决策矩阵按自治时长和治理需求选择智能体产品的决策矩阵

图 2：智能体技术栈选择应基于自治时长和治理压力，而不是基于单一通用排名。

选择智能体技术栈前，先问五个问题。

问题如果答案是“是”，优先考虑
智能体是否会修改代码、数据、记录或外部系统？沙箱、权限、审计日志、review 门禁、回滚路径
任务是否会运行超过一个 prompt 或一个会话？持久状态、检查点、后台执行、工作空间连续性
智能体是否会使用浏览器或执行代码？浏览器自动化基础设施、隔离沙箱、凭证边界
多个团队是否会依赖输出？可观测性、评测、成本追踪、策略、归属
用户是否需要监督许多并行工作流？AI 工作空间、多会话编排、产物、摘要、交接纪律

一个简单映射会有帮助：

  • 短编码任务：从编码原生智能体开始，例如 Claude Code、Codex、Cursor、Jules、Devin、Replit Agent 或 GitHub Copilot coding agent。
  • 应用原型：考虑 Lovable、Bolt.new、Replit Agent 或类似构建器界面，然后在进入生产使用前增加 review。
  • 业务工作流自动化：根据数据、治理和领域匹配，考察 Copilot Studio、Agentforce、ServiceNow、Zapier Agents、Lindy、Gumloop、Dust 或 Hebbia。
  • 自定义智能体产品：组合运行时与基础设施组件，例如 LangGraph、LlamaIndex、CrewAI、OpenAI Agents SDK、Vercel AI SDK、MCP、Browserbase、E2B、Temporal、Composio、Langfuse、Helicone 和 LangSmith。
  • 跨材料知识工作：采用 AI 工作空间模式。MCPlato 是一个相关示例，尤其适用于工作横跨本地材料、研究、产物、多会话和带权限执行的场景。

结论

2026 H1 的智能体版图，不是“模型”和“产品”之间的战争，而是完整技术栈的出现。

模型提供推理底座。智能体产品打包常见任务。编排框架和运行时让工作保持有状态。浏览器和沙箱基础设施让工具使用更安全。可观测性和评测让执行可检查。治理让自治在组织中可以被接受。AI 工作空间给用户一个协调长时间工作的地方。

赢家不会只是模型 benchmark 数字最大的团队。赢家会是那些能把模型智能转化为可靠、可审查、带权限工作流的团队。

参考资料

Footnotes

  1. Anthropic, “Introducing Claude 4,” https://www.anthropic.com/news/claude-4 ↩ ↩2 ↩3

  2. Anthropic, “Claude Sonnet 4.5,” https://www.anthropic.com/news/claude-sonnet-4-5 ↩

  3. Anthropic, “Claude Opus 4.8,” https://www.anthropic.com/news/claude-opus-4-8 ↩

  4. Google, “Gemini 2.5 Pro coding performance,” https://developers.googleblog.com/en/gemini-2-5-pro-io-improved-coding-performance/ ↩ ↩2

  5. DeepSeek, “DeepSeek-R1 release,” https://api-docs.deepseek.com/news/news250120 ↩

  6. DeepSeek, “DeepSeek-V3.1 release,” https://api-docs.deepseek.com/news/news250821 ↩ ↩2

  7. Qwen, “Qwen3-Coder,” https://qwenlm.github.io/blog/qwen3-coder/ ↩ ↩2

  8. Mistral AI, “Magistral,” https://mistral.ai/news/magistral ↩

  9. Anthropic, “Claude Code overview,” https://code.claude.com/docs/en/overview ↩

  10. OpenAI Codex developer documentation, https://developers.openai.com/codex ↩

  11. GitHub, “GitHub Copilot coding agent in public preview,” https://github.blog/changelog/2025-05-19-github-copilot-coding-agent-in-public-preview/ ↩

  12. Cursor changelog, https://cursor.com/changelog ↩

  13. Cognition, “Devin 2,” https://cognition.ai/blog/devin-2 ↩

  14. Google, “Jules now available,” https://blog.google/innovation-and-ai/models-and-research/google-labs/jules-now-available/ ↩

  15. Replit, “Introducing Agent 3,” https://replit.com/blog/introducing-agent-3-our-most-autonomous-agent-yet ↩

  16. Lovable, https://lovable.dev/ ↩

  17. Bolt.new, https://bolt.new/ ↩

  18. Manus, https://manus.im/ ↩

  19. Perplexity, “Getting started with Labs,” https://www.perplexity.ai/hub/getting-started ↩

  20. OpenAI developer documentation, “Computer use,” https://developers.openai.com/api/docs/guides/tools-computer-use ↩

  21. OpenAI developer documentation, “Agents,” https://developers.openai.com/api/docs/guides/agents ↩

  22. Salesforce, “Salesforce launches Agentforce 3,” https://www.salesforce.com/ap/news/press-releases/2025/06/24/salesforce-launches-agentforce-3-to-solve-the-biggest-blockers-to-scaling-ai-agents-visibility-and-control/ ↩

  23. ServiceNow, “AI Control Tower,” https://www.servicenow.com/products/ai-control-tower.html ↩

  24. Microsoft Copilot Studio release plan, https://learn.microsoft.com/en-us/power-platform/release-plan/2025wave2/microsoft-copilot-studio/ ↩

  25. Microsoft, “6 core capabilities to scale agent adoption in 2026,” https://www.microsoft.com/en-us/microsoft-copilot/blog/copilot-studio/6-core-capabilities-to-scale-agent-adoption-in-2026/ ↩

  26. Zapier, “AI agents survey,” https://zapier.com/blog/ai-agents-survey/ ↩

  27. Lindy Agents, https://www.lindy.ai/agents ↩

  28. Gumloop, https://www.gumloop.com/ ↩

  29. Dust documentation, “Welcome to Dust,” https://docs.dust.tt/docs/welcome-to-dust ↩

  30. Hebbia product, https://www.hebbia.com/product ↩

  31. LangChain, “LangChain and LangGraph 1.0,” https://www.langchain.com/blog/langchain-langgraph-1dot0 ↩

  32. LangSmith platform, https://www.langchain.com/langsmith-platform ↩ ↩2

  33. LlamaIndex, “Introducing LlamaIndex 0.11,” https://www.llamaindex.ai/blog/introducing-llamaindex-0-11 ↩

  34. Microsoft Research, AutoGen, https://www.microsoft.com/en-us/research/project/autogen/ ↩

  35. CrewAI, “CrewAI OSS 1.0,” https://blog.crewai.com/crewai-oss-1-0-we-are-going-ga/ ↩

  36. OpenAI Agents SDK, https://openai.github.io/openai-agents-python/ ↩

  37. Vercel AI SDK documentation, https://ai-sdk.dev/docs/introduction ↩

  38. Vercel, “Agentic infrastructure,” https://vercel.com/blog/agentic-infrastructure ↩

  39. Mastra, https://mastra.ai/ ↩

  40. PydanticAI documentation, https://pydantic.dev/docs/ai/ ↩

  41. Agno documentation, https://docs.agno.com/introduction ↩

  42. Letta, “Letta v1 agent,” https://www.letta.com/blog/letta-v1-agent ↩

  43. Browserbase for AI, https://www.browserbase.com/industry/ai ↩ ↩2

  44. Browserbase Stagehand, https://www.browserbase.com/stagehand ↩ ↩2

  45. Microsoft Playwright MCP, https://github.com/microsoft/playwright-mcp ↩ ↩2

  46. E2B Enterprise, https://e2b.dev/enterprise ↩ ↩2

  47. Daytona sandboxes, https://www.daytona.io/docs/en/sandboxes/ ↩ ↩2

  48. Temporal AI solutions, https://temporal.io/solutions/ai ↩

  49. Arcade, https://www.arcade.dev/ ↩

  50. Composio, https://composio.dev/ ↩

  51. Langfuse documentation, https://langfuse.com/docs ↩

  52. Helicone, https://www.helicone.ai/ ↩

  53. Temporal, Agentic AI, https://temporal.io/ai/agentic-ai ↩

  54. Anthropic, “Model Context Protocol,” https://www.anthropic.com/news/model-context-protocol ↩

  55. Model Context Protocol, “2026 MCP Roadmap,” https://blog.modelcontextprotocol.io/posts/2026-mcp-roadmap/ ↩

  56. MCPlato, https://mcplato.com/en/ ↩